图说图解机器学习

书采用图形化的方法讲解人工智能和机器学习的知识与技术，并且借用图形化软件KNIME采用拖、拉、拽等“傻瓜式”的操作完成从简单到复杂的机器学习项目。全书分为三个部分，分别是人工智能技术入门、传统机器学习和深度学习。本书具有图说图解、自上而下、够用即止、实战掌握的特点，适合于作为人工智能入门者、人工智能技术应用者及高职高专院校理工科、本科院校非理工科专业学生的教材。

第1章 人工智能及机器学习概述1
1.1人工智能概述1
1.1.1.人工智能简史2
1.1.2.人工智能是什么4
1.1.3.人工智能的能力5
1.2机器学习概述5
1.2.1.机器学习是什么5
1.2.2.以监督学习为例6
1.2.3.学习任务7
1.2.4.机器学习要解决的基本问题7
1.2.5.机器学习如何优化模型7
1.2.6.机器学习工作流程7
1.2.7.机器学习的各大流派8
1.2.8.机器学习算法选择8
1.2.9.需要的知识9
1.3深度学习概述9
1.4机器学习与统计学9
1.5课后练习10

第2章 机器学习基础知识11
2.1数学基础11
2.1.1.数据的分类12
2.1.2.基本统计学术语12
2.1.3.回归14
2.1.4.最小二乘法.14
2.1.5.判断拟合好坏15
2.1.6.小结17
2.2读图17
2.2.1.数值数据的分布.17
2.2.2.分类数据的分布18
2.3KNIME21
2.3.1.KNIME简介21
2.3.2.下载和安装21
2.3.3.KNIME基本使用21
2.3.4.小结28
2.4课后练习28

第3章 线性回归29
3.1简单线性回归30
3.1.1.场景说明30
3.1.2.KNIME建立工作流30
3.1.3.数据获取30
3.1.4.观察数据31
3.1.5.数据划分33
3.1.6.模型训练34
3.1.7.模型测试37
3.1.8.损失函数37
3.2多元线性回归初步38
3.2.1.任务及数据说明38
3.2.2.建立基本的工作流38
3.2.3.读取并观察数据39
3.2.4.整合界面49
3.3多元线性回归进阶51
3.3.1.优化模型51
3.3.2.正向选择节点55
3.3.3.反向消除58
3.3.4.模型解释58
3.3.5.特征归一化59
3.3.6.使用KNIME具体实现归一化59
3.3.7.相关系数60
3.4课后练习61

第4章 逻辑回归63
4.1逻辑回归基本概念63
4.1.1.分类问题63
4.1.2.从线性回归到逻辑回归65
4.1.3.判定边界66
4.1.4.KNIME工作流66
4.1.5.读取数据67
4.1.6.数据处理67
4.1.7.模型训练及测试68
4.1.8.模型评价69
4.2逻辑回归实战71
4.2.1.泰坦尼克号生存问题背景介绍71
4.2.2.读取数据72
4.2.3.数据处理73
4.2.4.数据可视化及删除无关列75
4.2.5.模型训练和测试82
4.2.6.模型评价83
4.2.7.提交结果85
4.2.8.模型解释89
4.3课后练习90

第5章 模型优化91
5.1梯度下降91
5.1.1.损失函数92
5.1.2.使用KNIME优化模型96
5.2正则化98
5.2.1.准确性和健壮性98
5.2.2.复杂的模型.98
5.2.3.欠拟合和过拟合98
5.2.4.正则化防止过拟合100
5.2.5.使用KNIME设置正则化100
5.3模型评价101
5.3.1.混淆矩阵101
5.3.2.F1103
5.3.3.ROC曲线和AUC104
5.4课后练习106

第6章 支持向量机107
6.1支持向量机基本概念107
6.1.1.支持向量机是什么107
6.1.2.支持向量是什么108
6.1.3.逻辑回归与支持向量机的比较108
6.1.4.核110
6.1.5.线性核模型调参111
6.1.6.非线性核模型调参113
6.1.7.C与γ114
6.2SVM初战114
6.2.1问题说明114
6.2.2.建立工作流114
6.2.3.数据观察115
6.2.4.模型训练与测试117
6.2.5.观察结果118
6.3支持向量机解决泰坦尼克号问题119
6.3.1.归一化119
6.3.2.核函数120
6.3.3.新建工作流120
6.3.4.C参数123
6.4一个重要的问题124
6.5课后练习124

第7章 决策树125
7.1决策树简介125
7.1.1.决策树的优点125
7.1.2.决策树的缺点126
7.1.3.防止过拟合126
7.1.4.问题解析126
7.1.5.奥卡姆剃刀128
7.1.6.提前结束128
7.1.7.剪枝130
7.1.8.组合算法131
7.1.9.Adaboosting133
7.2使用决策树解决泰坦尼克号生存问题135
7.3决策树高级应用实战――特征工程137
7.3.1.数据探寻137
7.3.2.特征工程143
7.3.3.异常数据处理146
7.4决策树高级应用实战――模型建立与比较149
7.4.1.决策树149
7.4.2.袋装153
7.4.3.随机森林157
7.4.4.提升159
7.5课后练习160

第8章 深入理解决策树161
8.1决策树进阶161
8.1.1.如何构建决策树161
8.1.2.ID3算法决定什么是优选的162
8.1.3.CART算法决定什么是优选的164
8.1.4.KNIME设置165
8.2数据不平衡问题优化165
8.2.1.多数数据降采样166
8.2.2.少数数据过采样168
8.2.3.SMOTE算法170
8.3课后练习172

第9章 贝叶斯分析173
9.1贝叶斯定理173
9.1.1.基本术语173
9.1.2.条件概率174
9.1.3.全概率和贝叶斯176
9.1.4.贝叶斯定理176
9.1.5.贝叶斯定理在机器学习中的应用177
9.2贝叶斯算法解决银行客户分类问题178
9.2.1.工作流178
9.2.2.贝叶斯算法的学习器节点178
9.3情感分析案例179
9.3.1.安装插件179
9.3.2.建立工作流180
9.4课后练习183

第10章 深度学习185
10.1深度学习简介185
10.1.1.深度学习的关键186
10.1.2.我们的目标186
10.1.3.深度学习图像识别原理概述187
10.1.4.图像识别探析187
10.2卷积神经网络（CNN）189
10.2.1.CNN基本原理189
10.2.2.常用CNN模型193
10.3KNIME实现卷积神经网络195
10.3.1.环境构建195
10.3.2.安装所需的工具195
10.3.3.步骤分析198
10.4深度学习开源应用举例199
10.5深度学习工商业应用举例201
10.6课后练习205

参考文献206